【技术实现步骤摘要】
本专利技术涉及金融安全管理领域，特别是基于深度学习的企业金融信息安全管理方法及系统。
技术介绍
1、企业在开办时，总会存在竞争企业或者想对企业造成经济损失的情况，而通常对企业造成巨大经济损失的原因为企业内部的金融信息管理出现问题。企业内部的金融信息管理出现问题有很多原因，其中有一种原因为有异常的访问信息恶意攻击企业的金融信息系统，造成企业的金融信息系统瘫痪，或者企业的金融信息系统内的企业金融信息泄露，使企业造成巨大的经济损失。对企业金融信息进行安全管理，可以保持企业的财务健康，防止经济损失，同时为了确保数据的安全稳定，同时提升企业的用户信任程度和品牌声誉，提高投资者和股东的信心，为企业吸引投资和保持股价稳定提供支持。
技术实现思路
1、本专利技术克服了现有技术的不足，提供了基于深度学习的企业金融信息安全管理方法及系统。
2、为达到上述目的，本专利技术采用的技术方案为：
3、本专利技术第一方面提供了基于深度学习的企业金融信息安全管理方法，包括以下步骤：
4、对金融信息系统的访问信息进行来源分析和病毒分析，并基于分析结果得到第一授权访问信息和第二授权访问信息；
5、通过决策树算法对金融信息系统内的企业金融信息进行分类，得到敏感金融信息和非敏感金融信息；
6、将预访问信息与企业金融信息进行结合分析，根据结合分析结果获取金融信息系统漏洞，并对金融信息系统漏洞进行修复及优化处理；
7、获取企业内部移动设备，对企业内部移动
8、进一步的，本专利技术的一个较佳实施例中，所述对金融信息系统的访问信息进行来源分析和病毒分析，并基于分析结果得到第一授权访问信息和第二授权访问信息，具体为：
9、获取金融信息系统，实时获取金融信息系统的访问信息，对访问信息进行来源初步分析，若访问信息的来源为金融信息系统的授权设备，则将对应的访问信息定义为第一授权访问信息；
10、若访问信息的来源不为金融信息系统的授权设备，则将对应的访问信息定义为待检测访问信息；
11、对待检测访问信息的ip地址进行分析，若待检测访问信息的ip地址为未知，则将对应的待检测访问信息定义为禁止访问信息；
12、若待检测访问信息的ip地址为已知，则在大数据网络中获取待检测访问信息的ip地址对应的地区信息，并将待检测访问信息的ip地址对应的地区信息导入深度神经网络中进行安全性评级，得到地区信息安全性评级结果；
13、判断所述地区信息安全性评级结果，若地区信息安全性评级结果及格，则将地区信息评级结果对应ip地址的待检测访问信息定义为外部可接收访问信息；
14、若地区信息安全性评级结果不及格，则将地区信息评级结果对应ip地址的待检测访问信息定义为禁止访问信息；
15、在大数据网络中获取所有病毒的源文件信息，并基于所述所有病毒的源文件信息，构建病毒信息知识图谱，并将所述外部可接收访问信息导入病毒信息知识图谱进行信息比对，得到外部可接收访问信息与病毒的源文件信息之间的相似度；
16、若外部可接收访问信息与病毒的源文件信息之间的相似度小于预设值，则将对应的预访问信息定义为第二授权访问信息，若预访问信息与病毒的源文件信息之间的相似度大于预设值，则将对应的预访问信息定义为禁止访问信息；
17、将所述第一授权访问信息与第二授权访问信息统称为预访问信息。
18、进一步的，本专利技术的一个较佳实施例中，所述通过决策树算法对金融信息系统内的企业金融信息进行分类，得到敏感金融信息和非敏感金融信息，具体为：
19、获取金融信息系统内的企业金融信息，将所述金融信息系统内的企业金融信息转变为特征数据，并将所述特征数据分成训练集和测试集；
20、获取决策树模型，将训练集导入决策树模型中进行特征训练，得到特征数据的切分值，基于所述特征数据的切分值，获取决策树模型的切分节点，在所述决策树模型的切分节点处将训练集划分为不同的子集，并实时获取切分节点处的特征数据数量，当切分节点处的特征数据数量小于预设值，则停止划分，并将最新的切分节点标记为叶子节点；
21、引入奇异值分解算法对叶子节点处的特征数据进行分解，得到按列组成的特征向量，将出现频率最高的特征向量定义为初始特征向量，引入余弦度量算法计算所述初始特征向量与其他特征向量之间的余弦值，并判断余弦值是否大于预设值；
22、若是，则将余弦值大于预设值的特征向量定义为离群特征向量，获取离群特征向量的叶子节点，引入遗传算法对离群特征向量的叶子节点进行迭代分裂，直至决策树模型中不存在离群特征向量；
23、当决策树模型中不存在离群特征向量，输出所有叶子节点，并基于叶子节点得到训练后的决策树模型，将测试集导入所述训练后的决策树模型中进行验证，得到完好决策树模型；
24、通过所述完好决策树模型输出决策数据，并基于所述决策数据对企业金融信息进行分类，得到敏感金融信息和非敏感金融信息。
25、进一步的，本专利技术的一个较佳实施例中，所述将预访问信息与企业金融信息进行结合分析，根据结合分析结果获取金融信息系统漏洞，并对金融信息系统漏洞进行修复及优化处理，具体为：
26、在金融信息系统内获取预访问信息的访问路径，并基于所述预访问信息的访问路径，获取预访问信息的目标访问对象，并实时获取预访问信息对企业金融信息的访问状态，所述访问状态包括数据浏览、数据复制及数据篡改；
27、若预访问信息的目标访问对象为非敏感金融信息，则对预访问信息进行分析，若预访问信息为第一授权访问信息，且访问状态为数据篡改，则将访问状态定义为第一异常访问状态；
28、若预访问信息为第二授权访问信息，且访问状态为数据复制及数据篡改，则将访问状态定义为第二异常访问状态；
29、若预访问信息的目标访问对象为敏感金融信息，则对预访问信息进行分析，若预访问信息为第一授权访问信息，且访问状态为数据复制及数据篡改，则将访问状态划分至第一异常访问状态；
30、若预访问信息为第二授权访问信息，则将访问状态直接划分至第二异常访问状态；
31、分析第一异常访问状态和第二异常访问状态，并基于分析结果对访问信息进行来源溯源及金融信息系统漏洞修复优化。
32、进一步的，本专利技术的一个较佳实施例中，所述分析第一异常访问状态和第二异常访问状态，并基于分析结果对访问信息进行来源溯源及金融信息系统漏洞修复优化，具体为：
33、当访问状态为第一异常访问状态，则将第一异常访问状态对应的第一授权访问信息导入企业中央数据库中，识别第一授权访问信息的来源设备，并将第一授权访问信息的来源设备定义为企业内部异常设备；
34、企业中央数据库自动识别企业内部异常设备内的企业金融信息，若识别得到的企业金融信息为非敏感金融本文档来自技高网...
【技术保护点】
1.基于深度学习的企业金融信息安全管理方法，其特征在于，包括以下步骤：
2.根据权利要求1中所述的基于深度学习的企业金融信息安全管理方法，其特征在于，所述对金融信息系统的访问信息进行来源分析和病毒分析，并基于分析结果得到第一授权访问信息和第二授权访问信息，具体为：
3.根据权利要求1中所述的基于深度学习的企业金融信息安全管理方法，其特征在于，所述通过决策树算法对金融信息系统内的企业金融信息进行分类，得到敏感金融信息和非敏感金融信息，具体为：
4.根据权利要求1中所述的基于深度学习的企业金融信息安全管理方法，其特征在于，所述将预访问信息与企业金融信息进行结合分析，根据结合分析结果获取金融信息系统漏洞，并对金融信息系统漏洞进行修复及优化处理，具体为：
5.根据权利要求4中所述的基于深度学习的企业金融信息安全管理方法，其特征在于，所述分析第一异常访问状态和第二异常访问状态，并基于分析结果对访问信息进行来源溯源及金融信息系统漏洞修复优化，具体为：
6.根据权利要求1中所述的基于深度学习的企业金融信息安全管理方法，其特征在于，所述
7.基于深度学习的企业金融信息安全管理系统，其特征在于，所述企业金融信息安全管理系统包括存储器与处理器，所述存储器中储存有企业金融信息安全管理方法，所述企业金融信息安全管理方法被所述处理器执行时，实现如下步骤：
...【技术特征摘要】
1.基于深度学习的企业金融信息安全管理方法，其特征在于，包括以下步骤：
2.根据权利要求1中所述的基于深度学习的企业金融信息安全管理方法，其特征在于，所述对金融信息系统的访问信息进行来源分析和病毒分析，并基于分析结果得到第一授权访问信息和第二授权访问信息，具体为：
3.根据权利要求1中所述的基于深度学习的企业金融信息安全管理方法，其特征在于，所述通过决策树算法对金融信息系统内的企业金融信息进行分类，得到敏感金融信息和非敏感金融信息，具体为：
4.根据权利要求1中所述的基于深度学习的企业金融信息安全管理方法，其特征在于，所述将预访问信息与企业金融信息进行结合分析，根据结合分析结果获取金融信息系统漏洞，并对金融信息系统漏洞进行修复及优化处理...
【专利技术属性】
技术研发人员：杨寿姗，张剑峰，
申请(专利权)人：深圳市和合信诺大数据科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。